یادگیری به موقع معیار فاصله در محیطه ای غیر ایستا

در این مقاله یک روش غیر پارامتری تطبیقی برای یادگیری به موقع معیار فاصله در محیط های پویا ارائه میگردد. استفاده از این روش در محیط های غیر ایستا، طبقه بندی بر اساس شباهت الگوهای ورودی که توسط یک فرآیند تصادفی غیر پارامتری تولید شده اند را با کارائی بالا امکان پذیر می سازد. منظور از کارایی در این تحقیق دقت طبقه بندی کننده، ابعاد فضای ویژگی و تعداد مراجعات برای بروزرسانی و تطبیق پارامترها در طول عمر سیستم است. برای این منظور از داده ها با برچسب زمانی برای یادگیری معیار فاصله و استخراج ویژگی های جدید استفاده می شود. این یادگیری غیر پیوسته بوده و دقیقا در زمان مورد نیاز انجام می گیرد. در حالی که مدل های تطبیقی استخراج ویژگی برای کاهش فضای ابعاد و/یا افزایش دقت طبقه بندی کننده ها پیشنهاد شده اند، اما این روش ها نسبت به تغییرات غیر پارامتریک داده های ورودی حساس بوده و نیاز به بروزرسانی پیوسته پارامترهای خود دارند. در روش ارائه شده یک ماتریس انتقال بهینه داده های دارای برچسب زمانی را از فضای اولیه به یک فضای ویژگی جدید به گونهای انتقال می دهد که احتمال طبقه بندی صحیح داده های جدید با استفاده از طبقه بندی کننده مبتنی بر شباهت بیشینه گردد. همچنین با استفاده از داده های زمانی، توزیع داخل کلاسی و توزیع خارج کلاسی غیر پارامتری ارائه می گردد. نتایج آزمایشات روی مجموعه داده های واقعی و مصنوعی که شامل تغییرات طبیعی و مصنوعی می باشند عملکرد روش پیشنهادی را از نظر دقت، کاهش ابعاد و تعداد مراجعات برای بروزرسانی پارامترها در محیط های پویا نشان می دهد.

کلیدواژه ها:

یادگیری تطبیقی ، یادگیری به موقع معیار فاصله ، طبقه بندی کننده تطبیقی